KLASIFIKASI POLA TEKSTUR PADA MOTIF BATIK PESISIR DENGAN ALGORITMA BACKPROPAGASI

Transkripsi

1 KOMPUTAKI Vl., N.1 Fbuai 2017 KLASIFIKASI POLA TEKSTUR PADA MOTIF BATIK PESISIR DENGAN ALGORITMA BACKPROPAGASI Nvita Kunia Ningum 1, Dfi Kuniawan 2, Sptian Engga Sukmana Pgam Studi Tknik Infmatika, Fakultas Ilmu Kmput, Univsitas Dian Nuswant Smaang Jl. Nakula I N. -11 Smaang Tlp. (02) mailvita@gmail.cm, dfi.kuniawan@dsn.dinus.ac.id, sptian.ngga@dsn.dinus.ac.id Abstak Wilayah psisi pantai pulau Jawa yang mliputi kta Bbs, Cibn, Pkalngan, Lasm dan Madua mmiliki pla mtif batik yang bagam. bdasakan planya mtif batik psisi dapat dibdakan mnjadi batik gmtid an nn gmti. Klasifikasi mtif batik psisi digunalan algitma bakppagasi dngan mnntukan nilai laning at dan mmntum pada saat taining data. Data inputan yang digunakan bupa cii statistik yang diplh dai pmbntukan nilai GLCM. Cii statistik yang digunakan antaa lain man, standa dviasi, cutsis, skwnss dan ntpy. Sdangkan laning at tbaik diplh pada angka 0, dan mmntum 1,0 pada mtif batik gmti. Sdangkan pada mtif batik nn gmti laning at tbaik diplh pada angka 0, dan mmntum 1,0. Jumlah nuns yang digunakan pada taining kdua mtif tsbut mmpngauhi nilai pch (jumlah itasi) dan yang dihasilkan. Kywd: laning at, mmntum, glcm, backpgatin, mtif batik psisi I. PENDAHULUAN Bdasakan bidang sni upa, batik tmasuk dalam kaya lukis dua dimnsi dimana kain yang mnjadi mdia lukisnya. UNESCO tlah mngakui batik sbagai kaya sni asli waisan budaya masyaakat Indnsia pada tahun 2009 [1]. Di Pulau Jawa batik bkmbang psat di wilayah psisi utaa Pulau Jawa atau biasa disbut batik psisi dan lingkungan katn Ygyakata dan Sl atau biasa disbut batik pdalaman. Batik psisi bkmbang psat di kta spanjang psis utaa pulau Jawa, mliputi Bbs, Cibn, Pkalngan, Lasm dan Madua. Scaa gais bsa bdasakan pla mtif tdapat mtif gmti, mtif nn gmti dan mtif campuan. Mtif batik mmiliki mpat lmn dasa di dalamnya, yaitu gais, tkstu, wana dan bidang [2]. Dngan pnglahan cita mtif pada batik dapat dianalisa untuk kmudian diklasifikasikan bdasakan mpat lmn yang dimilikinya. Dngan adanya klasifikasi akan mmbantu idntifikasi kaakt pada bjk cita yang tsimpan dalam databas, shingga dapat mminimalkan ksalahan mmasukkan bjk pada klmpk yang bbda []. Mtif batik dapat diklasifikasikan bdasakan kaaktistik tkstunya dngan mncai ksamaan cii tkstu. Ksamaan cii diplh dngan mnghitung nilai piksl yang bdkatan pada matiksnya. Mtd gay lvl cccuanc matix (GLCM) salah satu mtd untuk kstaksi fitu bdasakan kaaktistik cii. Nilai GLCM yang bisa digunakan antaa lain man, standa dviasi, cutsis, skwnss dan ntpy. Nilai lima vaiabl tsbut dijadikan sbagai nilai inputan pada pss klasifikasi dngan algitma backppagasi. 82

2 Klasifikasi Pla Tkstu Pada Mtif Batik Psisi Dngan Algitma Backppagasi Nvita Kunia Ningum Dngan dmikian maka batik sbagai waisan budaya Indnsia dapat dilstaikan tidak hanya dalam bntuk fisik mlainkan juga dalam bntuk digital. Shingga mtif batik yang sudah pnah ada tidak hilang dan slanjutnya dapat dikmbangkan mnjadi mtif batik bau. II. TINJAUAN PUSTAKA Pada pnglahan cita, tahapan kstaksi fitu diplukan untuk mmudahkan analisa cita pada pss slanjutnya. Ekstaksi fitu batik diambil bdasakan tkstu pla pada mtifnya. Stiap pla mmiliki cii spsifik yang dapat diklasifikasikan k dalam klmpk pla gmti dan pla nn gmti. Untuk mndapatkan nilai dai cii spsifik, dapat dilakukan phitungan jaak dan sudut anta piksl yang bdkatan dngan pada matiks piksl mtif batik. Kmungkinan atau pbability piksl bttanggaan yang sama akan diklmpkkan pada klmpk yang sama mtd ini tmasuk dalam Gay Lvl Cccuanc Matix (GLCM) []. Ekstaksi fitu mtif batik dngan mtd Gay Lvl C-ccuanc Matix (GLCM) lh Yaltha mnunjukkan bahwa GLCM mmiliki pfma baik (Rullist, Iawan, & Osmnd). Pada pngujian jaak (distanc) dan aah (intatin) dihasilkan data yang akuat pada jaak piksl k- 2 dan aah pada sudut. Pnlitian lain lh Anita, untuk idntifikasi cita batik pada pss kstaksi digunakan kstaksi cii dngan mnghitung cii GLCM yang mliputi nilai kntas (cntast), hmgnitas (hmgnity), Engi (ngy) dan klasi (klatin). Slanjutnya mnggunakan backppagatin untuk mngklasifikasi mtif batik bdasakan pla gmtinya (Kasim & Hajk, 201). Algitma backppagatin tmasuk dalam algtima pmblajaan jaingan saaf tiuan atau nual ntwks yang dippulkan lh lh Rumhalt dan Mc Clland [7]. Sistm kja backppagatin mngadpsi sistm kja saaf pada manusia. Mtd pmblajaan (laning) yang diadpsi backppagatin tmasuk dalam supvisd laning. Nilai yang dibikan pada input nuns mupakan pngtahuan yang dijadikan acuan untuk diptakan k dalam klmpk yang diinginkan yang sudah ditntukan di utput nuns. Laning pcss akan tus dilakukan slama kndisi yang diinginkan blum tpnuhi, hingga mncapai nilai yang paling kcil. Olh kananya backppagatin ssuai untuk mngklasifikasi pla yang kmplks [Puspitaningum, D. 200, Pnganta Jaingan Saaf Tiuan. Pnbit Andi. Ygyakata]. Klasifikasi batik dngan backppagatin bhasil mmbikan nilai akuasi 100% untuk mngklasifikasi mtif gmti dan 91,9% untuk mtif batik nn gmti []. III. METODE PENELITIAN Tahapan pada pnlitian ini mliputi akuisisi cita, pa pnglahan cita, kstaksi fitu dngan mtd gy lvl c-ccuanc matix dan slanjutnya klasifikasi fitu dngan mlakukan data taining dan data tsting dngan jaingan saaf tiuan backppagatin algithm. A. Akuisisi cita Pngumpulan data cita digital mtif batik psisi dan disimpan dalam fmat fil xtntin jpg. B. Pa Pnglahan Cita Dilakukan cpping untuk mnyamakan ukuan cita dngan slusi 8 x 8 pixl. Kmudian gyscalling dngan mubah cita RGB k bntuk gyscal. Gamba 1. Gayscaling cita mtif batik C. Ekstaksi Fitu Cita gyscal mmiliki tingkat kabuan atau gay scal lvl diknvsikan dalam bntuk matiks gy pixl. Untuk mnmukan nilai GLCM ditntukan tlbih dahulu nilai jaak dinyatakan sbagai d dan intasi atau sudut Ɵ 8

3 KOMPUTAKI Vl., N.1 Fbuai 2017 dinyatakan dalam. Intnsitas kjadian ksamaan piksl yang bdkatan pada jaak dan aah yang sudah ditntukan akan mmbntuk fungsi matiks kkunsi. Slanjutnya mnntukan cii cita bdasakan jumlah dai kkunsi piksl dngan jaak d=1 dan sudut Ɵ (0,, 90 dan 1 ) yang mmiliki kmiipan sbagaimana ditunjukkan pada Gamba. Gamba 2. Hubungan antaa sudut antaa dua piksl yang bttangga pada ttangga [7] Mulai Cita gayscal Mnntukan nilai jaak d dan sudut Tbntuk gy lvl cccuanc matiks (GLCM) Gayscal lvl piksl d=1; 1 ) Mnghitung cii statistic piksl tdkat 0,, 90 dan Jumlah kkunsi piksl bdkatan pada jaak d=1 Nilai cii statistik man, standat dviatin, skwnss, kutsis ntphy Gamba. Pmbntukan GLCM dngan d=1, Ɵ= 0 Gamba mnunjukkan kjadian munculnya ksamaan piksl dngan jaak piksl =1 dan sudut 0. Ptama matiks bau dibuat dngan lmn 0 dan dimnsi sbsa nilai maksimal pada matiks asal, yaitu 8. Kmudian tjadi pulangan dai indks (1,1) pada matik 0 sampai indk (8.8), dimana stiap pulangan dilakukan pngckan. Smisal indks (1,1) dick dngan nilai [1 1] dan muncul 1 kali, maka nilai indks (1,1) adalah 1. Kmudian pada indks (1,2) dick sngan nilai [1 2] dan hasilnya muncul 2 kali maka nilai indks (1,2) adalah 2. Munculnya nilai indks yang mnunjukkan ksamaan nilai piksl inilah yang disbut sbagai c-ccuancy. Slsai Gamba. Algitma Pmbntukan Cii Statistik GLCM D. Klasifikasi Backppagatin mngadpsi algitma pmblajaan supvisd laning dimana pss pmblajaan dilakukan pada saat data taining. Data input pada input nuns dijadikan sbagai data taining yang akan dilanjutkan k utput nuns sbagai data utput. Stiap jaingan dibi bbt, jika nilai utput blum ssuai dngan nilai yang dihaapkan maka akan tjadi pbaikan bbt dan dippagasi balik mnyba k jaingan nun sblumnya. Itasi tjadi hingga mncapai nilai yang paling ndah. Bikut ini langkah kja backppagatin: 1. Tahap 0: Inisiasi pnimbang untuk pmbian nilai bbt (w); 2. Tahap 1: mngulang tahap 2 sampai 9 hingga tpnuhi kndisi itasi yang diinginkan; 8

4 Klasifikasi Pla Tkstu Pada Mtif Batik Psisi Dngan Algitma Backppagasi Nvita Kunia Ningum. Tahap 2: mngulang langkah sampai 8 untuk tiap pasangan data taining Fdfwad. Tahap : stiap unit masukan (X i, i=1,2,,n, ) pada input nuns mndapapat sinyal dan dituskan k unit-unit bikutnya pada hiddn lay nuns;. Tahap : stiap unit pada hiddn lay nuns dikalikan dngan bbt dan dijumlahkanfakt pnimbang kmudian ditambahkan dngan nilai biasnya; ( ) (.1) Mmbangkitkan aktifasi dngan fuungsi sigmid: jika Z j = f (z_in j ) maka, (.2) (.) Slanjutnya sinyal dikiim k unit kluaan (utput nuns) ;. Tahap : stiap unit utput (Y k, k=1,2,,m) dikalikan lagi dngan fakt pnimbang dan dijumlahkan Kmbali (.) ung fungsi aktifasi y k = f (y_in k ) (.) Backppagasi dan pbaikan nilai 7. Tahap : Stiap unit utput (Y k, k=1,2,,m) mnima pla tagt ssuai nilai masukan pada waktu data taining dan mnghitung nilai (.) mnghitung pbaikan kksi, Dan mnggunakan nilai sblumnya (.9) pada smua lay 8. Tahap 7: stiap nilai pnimbang yang mnghubungkan unit utput dan unit hiddn lay (Z j, j=1,..p) dikalikan dlta dan dijumlahkan sbagai masukan pada unit lay bikutnya, ( ) (.10) Kmudian dikalikan dngan tuunan fungsi aktifasi untuk nntuk mnntukan nilai, ( ) ( ) (.11) Mnghitung pbaikan pnimbang untuk mmpbaiki (.12) Mnghitung pbaikan bias untuk mmpbaiki V j Mmpbaiki pnimbang dan bias (.1) 9. Pbaikan bias dan pnimbang (j=0..,p) pada stiap unit utput (Y k,,k=1,..,m) (.1) Mmpbaiki bias dan pnimbang (j=0,,n) pada unit hidn lay (Zj, j=1,,..,p) 10. Uji itasi (.1) Kana mnggunakan fungsi aktifasi sigmid, maka: ( ) ( ) ( ) y k = (1 y k ) (.7) mnghitung fakt pnimbang untuk nilai (.8) IV. HASIL DAN PEMBAHASAN Cita yang dilah sbanyak 100 cita mtif batik psisi, tdii dai cita gmti dan cita nn gmti. Pmbntukan GLCM mnghasilkan cii statistik yaitu mans, 8

5 KOMPUTAKI Vl., N.1 Fbuai 2017 Cita standat dviatin, skwnss, kutsis, ntphy. Adapun nilai yang dihasilkan sbagai bikut: Tabl 1. Hasil pmbntukan nilai GLCM pada mtif batik batik gmti Man Standa d d v kuts skwn s s nt Tabl 2. Hasil pmbntukan nilai GLCM pada mtif batik nn gmti Lima cii tsbut kmudian dijadikan nilai masukan pada klasifikasi. Untuk fas taining mngggunakan 70% data taining yang tdii dai dan fas tsting mnggunakan 0% data tsting. Algitma backppagasi mnggunakan knsp laning/taining dngan tujuan aga input yang diinisialisasi pada input lay mnghasilkan utput yang ssuai atau yang diinginkan. Olh kana itu dibutuhkan nilai lning at yang mana nilai laning at bkisa antaa 0,1 1,0. Slain itu dibuttuhkan adanya fungsi aktifasi,untuk mnntukan nilai utput suatu nun ssuai dngan pss yang dilakukan thadap input. Dalam hal ini fungsi aktifasi yang digunakan lh algitma backppagasi adalah binay sigmid functin yang mmiliki ang antaa 0 hingga 1. Tabl bawah ini mnunjukkan hubungan laning at dan mmntum dngan jumlah nuns untuk mnghasilkan nilai nt minimum. Jumlah Jumlah n u n Mtif Gmti Laning at Mmntum Itasi Nt Tabl. Taining data dngan laning at 0, dan mmntum 0,1 pada mtif gmti n u n Standa d d kutsi skwns ntp Cita Man v s s y img img img img img img img img Laning a t Mmntum Itasi Nt

6 Klasifikasi Pla Tkstu Pada Mtif Batik Psisi Dngan Algitma Backppagasi Nvita Kunia Ningum Tabl. Taining data dngan laning at 1,0 dan mmntum 0.1 pada mtif gmti Bdasakan tabl 2 nilai nt paling kcil yaitu diplh pada saat nilai laning at 0, dan mmntum 0,1 dngan jumlah nun sbanyak 12. Sdangkan pada tabl nilai nt paling kcil yaitu 0,12 juga diplh pada jumlah nuns 12 dngan laning at 1,0 dan mmntum 0,1. Jumlah nun Mtif Nn Gmti Laning at Mmntum Itasi Nt Tabl. Taining data dngan laning at 1,0 dan mmntum 0.1 pada mtif nn gmti Jumlah nuns yang digunakan dalam backppagatin mmpngauhi laning/taining, jumlah nuns tlalu sdikit mnghasilkan nt yang kuang akuat dan jumlah nuns tlalu banyak mnybabkan fas laning/taining tidak stabil. Jumlah data yang digunakan juga mmpngauhi sbapa banyak nuns yang akan mlakukan taining. E Pbaikan nilai bbt dan bias tus dilakukan jika masih tdapat nilai yang dihasilkan lh kluaan. Jika tidak ada lagi pbaikan dan nilai bbt tidak lagi bubah (stabil) maka itasi akan dihntikan. Gafik pada gamba dan gamba mnunjukkan pch (jumlah itasi) yang dicapai pada taining validatin dan tsting pada mtif gmti dan nn gmti. Epch pada mtif batik gmti mnunjukkan hasil tbaik di titik dmikian pula untuk validasi. Sdangkan pch untuk mtif nn gmti stabil pada titik. Gamba. Gafik titk pch tbaik mtif gmti Nun Nt Lanin J.umlah g Mmntu Itas at m E Gamba. Gafik titik pch tbaik mtif nn gmti 87

7 KOMPUTAKI Vl., N.1 Fbuai 2017 ditaining. Jumlah nuns yang tlalu banyak atau tlalu sdikit mngakibatkan itasi smakin lama dan mnjadi tidak stabil. Klasifikasi dngan backppagatin algithm mnghasilkan akuasi tbaik pada jumlah nuns 12, laning at 0, dan mmntum 0,1 untuk mtif batik gmti sdangkan mtif batik nn gmti akuasi tbaik pada jumlah nuns 20, laning at 0, dan mmntum 0,1 Nilai cii statistk yang diplh pada pnlitian ini masih tlalu gnat shingga mmbutuhkan pss yang lama untuk mndapatkan nilai akuasi tbaik pada klasifikasi. Gamba.Gafik hasil klasifikasi mtif batik gmti VI. DAFTAR PUSTAKA [1] Batik, Balai Bsa Pnlitian dan Pngmbangan Industi Kajinan dan, Katalg Batik Nasinal, Ygyakata: Dpatmn Pindustian dan Pdagangan RI, [2] A. M. Aymuthy, "Cbis pada Aplikasi Waisan Budaya," [] V. S. Mtini and B. Sithang, "Algithms f Clusting and Classifying Batik Imags Basd n Cl, Cntast and Mtif," ITB J Eng Sci, vl. vl. 7 n. 2, p. pp , 200. Gamba. Gafik hasil klasifikasi mtif batik nn gmti V. KESIMPULAN DAN SARAN Bdasakan uji cba di atas maka ksimpulan yang diplh adalah kstaksi fitu GLCM dngan pncaian cii statistik pada pnlitian ini mnghasilkan lima cii statistik yaitu mans, standat dviasin, skwnss, kutsis dan ntphy. Dimana lima cii tbut dapat dianalisa sbagai nilai input pada klasifikasi dngan algitma backppagasi. Nilai laning at mmpngauhi laju pada pss taining. slain itu jumlah nuns yang digunakan mnysuaikan sngan jumlah data yang [] R. Albgtsn, Statistical Txtu Masu Cmputd fm Gay Lvl C-Occunc Matics, Osl, [] Y. Rullist, B. Iawan and A. B. Osmnd, "Aplikasi Idntifikasi Mtif Batik Mnggunakan Ekstaksi Fitu Gay Lvl C-Occunc Matix Bbasis Anid". [] A. A. Kasim and A. Hajk, "Klasifikasi Cita Batik Mnggunakan Jaingan Syaaf Tiuan bdasakan Gy Lvl C-Occuanc Matics," Smina Nasinatl Tknlgi Infmasi, p. Ygyakata,

8 Klasifikasi Pla Tkstu Pada Mtif Batik Psisi Dngan Algitma Backppagasi Nvita Kunia Ningum 89